Et trent menneskeøye kan se på et diagram og umiddelbart merke når noe er galt. Et boblekart kan avsløre lommebokklynger og usunn konsentrasjon. Vi samler allerede inn vanlige signaler, fordeling av prosentandel av toppholder, avsagt mynte, brent likviditet, forsyningskonsentrasjon... Alt det grunnleggende. Men det er fortsatt ikke nok for en autonom AI-trader. Grunnleggende signaler er fortsatt signaler, men en AI trenger mer. Dette tar tid. Det er algoritmisk arbeid. Mønstrene er håndlagde, bygget av hundrevis av overvåkede tokens, testet på ekte eksempler, kanttilfeller og levende data til reglene blir stabile og pålitelige. Jo mer vi er stille, jo mer grinder vi. AI-en må kombinere sosial fremgang, utstråle seriøsitet, og fremfor alt dekode den ene målingen som aldri lyver: diagrammet. Hvis diagrammet ser kaotisk, påtvunget eller kunstig konstruert ut, bytter du det ikke. Periode. Vår motor eksisterer for å mate en autonom agent med sterke signaler, svake signaler og matematisk jordede mønstre. Her er mønstrene som allerede er klare til å virke. 🧵1/5

🧵2/5 🚨 Mønster #1 - Kjøp spoofing (deteksjon) Bubblemap-omgåelse. 1) Tidsvindu (Δt ≤ 7s) Kjøp som har land ≤7 sekunder fra hverandre er gruppert. Dette betyr ikke svindel, det danner bare en klynge (trenger ≥4 handler). 2) Volumhomogenitet Jeg sjekker hvor mye hvert kjøpsvolum avviker fra klyngens median: |Vi − M| / M ≤ 0,40 Hvis hver handel passer innenfor det båndet → unaturlig ensartethet. 3) Rampemønster Påfølgende volumer testes: Vi+1 ≥ Vi × 0,65 Hvis ≥70 % følger denne regelen, → kontrollert akkumuleringskurve 4) Utbruddstiming Gjennomsnittlig avstand mellom kjøp beregnes: meanInterval ≤ 1,2s = bot-nivå timing Ingen menneskelig strøm oppfører seg slik. Flagg = minst ÉN anomali utløses. Raske kjøp alene merker aldri en svindel. Bare raske kjøp + umulige statistikker = falsk signal.

🧵3/5 🚨 Mønster #2 - Sekvensmønster (Deteksjon) Bubblemap-omgåelse. Hvordan jeg oppdager gjentatte oppførsel på svindelnivå inne i en lommebok ved hjelp av kvantitative regler. 1) Forfilter En handel analyseres kun hvis: Vi ≥ 10 og typei ∈ {KJØP, SELG} og tokeni = mål. Støy fjernes før noen signalutvinning. 2) Kjør konstruksjon Påfølgende identiske handlinger slås sammen til løp: KJØP KJØP KJØP → KJØR(KJØP) SELG SELG → løp(SELG) Disse løpene avslører lommebokens strukturelle oppførsel. 3) Overgangsmønstre Fra hvert par av løp: Pk = typek → typek₊₁ (f.eks. KJØP→SELG, SELG→KJØP) 4) Repetisjonsregelen Et mønster blir mistenkelig når den samme overgangen gjentar seg: tell(P) ≥ 2 Svindellommebøker gjenbruker ofte den samme handlingssekvensen. 5) Latenssjekk For gjentatte mønstre måler jeg timing: Δt = t₂ − t₁ Hvis Δt er ≤ 6s, er repetisjonen for stram til å være naturlig — et typisk tegn på manusbaserte agnmønstre brukt for å villede seerne. Flaggtilstand telling(P) ≥ 2 OG Δt ≤ 6 sekunder Gjentatte sekvenser + unaturlig timing = bevisst atferdsfabrikasjon — en svindelmarkør.

🧵4/5 🚨 Mønster #3 - Wash Trading (Deteksjon) Hvordan jeg oppdager falskt volum i samme lommebok ved hjelp av kvantitative regler 1) Volums relevans Et kjøp analyseres kun hvis det har betydning: tradeShare = Vi / lommebokVolum ≥ 0,005 markedsandel = Vi / globalVolum ≥ 0,001 2) Tidsvindu (Δt ≤ 180-tallet) For hvert kjøp b søker jeg a sell s fra samme lommebok med: Δt = ts − t_b ≤ 180-tallet 3) Volummatch Salget må speile kjøpet: |Vs − V_b| / V_b ≤ 0.30 4) Token-match Lommeboken må selge det samme tokenet den nettopp har kjøpt: s.TokenIn = b.TokenOut Flaggtilstand Alle betingelser må oppfylles: tradeShare ≥ 0,005 OG markedsandel ≥ 0,001 OG ≤ 180-TALLET OG |Vs − V_b| / V_b ≤ 0.30 Kjøp > selg > samme lommebok > samme token > samme størrelse > samme vindu = wash-trading svindelsignal. Boblekartet på denne kommer ikke til å misforstå meg!

🧵5/5 Dette er en ren token. Takk til @littupdev Vi tok ikke $GAIN, vi er ikke så anstrengende (ja, det er rent) Denne viser bare minimale kjøpsforfalskningsspor, ikke nok til å utløse motoren, så den er merket som et svakt signal. med streng håndheving av reglene.